معادله ۳‑۳۳
Vomel در [۲۱] چارچوبی را برای ساخت استراتژی های تصمیم برای انتخاب سوال بعدی در زمان مدل سازی سیستم آزمون انطباقی کامپیوتری با بهره گرفتن از BBN فراهم کرد. بعد از فراگرفتن BBN از حوزه مورد علاقه، جستجویی برای بهترین استراتژی تصمیم انجام می شود. Vomlel راهکارهای گوناگون را برای ساخت استراتژی های مورد نظر مقایسه کرد و تابع آروینی پذیرفتنیای را که میشد در ساخت یک آزمون انطباقی استفاده شود، پیشنهاد کرد.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))
نقایص BBN
اگرچه BBN راهکاری مناسب را برای اداره عدم قطعیت تامین می کند، هنوز هم محدودیتهایی در این راهکار وجود دارند. بعضی از آنها در ادامه آورده شده اند [۸۵].
به اندازه معناداری از داده نیاز دارد تا درست کار کند.
کارامدی آن تا حد زیادی متکی به فرضهای گوناگونی است که برطبق آنها مدلهای مورد نظر ایجاد می شوند.
طراح را ملزم به داشتن دانش خوبی از هر دوی خواص داده و قابلیت مدل ( قبل از اینکه بشود مدلها را بطور موفقی اعمال کرد) می کند.
مدلهای BBN بعضی وقتها نامناسب و ناتوان در مطابق شدن با داده تشخیص داده میشوند. بعلاوه، شکل گیری مدلهای گرافیکی نیاز دارند تا از بازههای پیچیده ای بگذرند.
استفاده از شبکه های بیزین در آزمون انطباقی کامپیوتری
به منظور استفاده از شبکه های بیزین به عنوان پایهای برای انجام آزمونهای انطباقی، در مدل ساختاری،گره ها و روابط باید تعریف شوند. گره ها که در این رویکرد در نظر گرفته شده اند، که شامل دو گره آشکار[۳۷]و گره دانش[۳۸]میباشد[۲۲]. گره های آشکار، که توسط P آن را نشان می شود. در آزمون انطباقی، گره آشکار سوالهای آزمون است که می تواند پاسخ آن درست یا نادرست باشد. گرههای دانش، که در سه سطح مختلف گرانولیته شامل مفاهیم[۳۹] ©، مباحث [۴۰](T)، و موضوع[۴۱] (A) تعریف می شود. سطوح مختلف گرانولیته فرصت به دست آوردن اطلاعات دقیق در مورد سطح آزموندهنده از دانش، که به عنوان سیستم های آموزش خودکار مورد نیاز است، خواهد داد. این ساختار برنامه درسی را قادر به دانستن دقیق بخش هایی از حوزه تسلط یا تسلط نداشتن توسط آزموندهنده خواهد کرد.
روابط بین گرهها
روابط بین گرهها شامل دو رابطه یکی روابط میان مفاهیم و مورد آزمون و دیگری روابط تجمع است. در روابط میان مفاهیم و مورد آزمون، تسلط یا تسلط نداشتن بر یک مفهوم تاثیر سببی در درستی پاسخ دادن مربوط به آزمون مورد بررسی داده خواهد شد. در روابط تجمع، روابط تجمیع بین یک گره دانش و گره دانش در سطح قبلی در سلسله مراتب گرانولیته ایجاد شده است. در شکل ۳‑۱۳ شبکه بیزین تعریف شده، نشان داده شده است. شکل ۳‑۱۳ شبکه های بیزین دو بخش را نشان میدهد، که در گره مفهوم با هم تداخل دارند. بخشی شامل گره مفهوم و سوال آزمون، که برای انجام فرایند تشخیص استفاده می شود. هدف از این مرحله پی بردن به پاسخ آزموندهنده به مجموعه ای از مفاهیم تسلطهای آزموندهنده است.
شکل ۳‑۱۳: شبکه بیزین برای آزمون انطباقی.
بخشی شامل گرههای دانش، برای به دست آوردن برآورد چگونگی احتمال دانستن آزموندهنده از هر یک از مفاهیم (به دست آمده در مرحله قبل) در هر مبحث و موضوع ، استفاده می شود. پس از این که مدل ساختاری تعریف شد، پارامترهای مورد نیاز باید مشخص شود. به خوبی شناخته شده است که مشخصات پارامتر یکی از سختترین مشکلات در هنگام استفاده از شبکه های بیزین است. در ادامه، پارامترهای مورد نیاز بر شمرده میشوند و روش ساده کردن مشخصات آنها پیشنهاد داده خواهد شد.
احتمال استقرایی دانستن هر یک از مفاهیم
در صورتی که برخی از اطلاعات در مورد آزموندهنده خاصی که آزمون میدهد وجود دارد، این اطلاعات را می توان برای تعیین احتمال استقرایی تسلط بر مفاهیم مورد استفاده قرار داد. در غیر این صورت، توزیع یکنواخت می تواند مورد استفاده قرار گیرد.
احتمال شرطی هر گره دانش با توجه به والدین خود
برای مشخص کردن این احتمال، رویکردی که اساساً شامل محاسبه احتمالات شرطی مورد نیاز از مجموعه ای از وزنها که اندازه گیری اهمیت هر گره دانش در گره تجمیع دانش شده، پیشنهاد می شود. یعنی، برای هر مبحث Tj، {۱,…,nj Cij, i=} تعریف می شود، که مجموعه ای از مفاهیم مرتبط، و wij نشان دهنده اهمیت مفهوم Ci در مبحث TJ، i=1,…,nj. سپس، برای هر { i=1,…,nj}S ⊆ توزیع احتمال شرطی لازم در معادله ۳‑۳۴ نشان داده شده است.
معادله ۳‑۳۴: توزیع احتمال شرطی برای هر مبحث Tj
برای هر موضوع Aj، {۱,…,s Tj, i=} مجموعه ای از موضوعات مرتبط، و aj نشاندهنده اهمیت موضوع Ti در موضوع A. سپس، برای هر { i=1,…,s}S ⊆ توزیع احتمال شرطی در معادله ۳‑۳۵ نشان داده است.
معادله ۳‑۳۵: توزیع احتمال شرطی برای هر موضوع Aj
به منظور نشان دادن این رویکرد یک مثال ساده ارائه داده شده است. فرض کنید که دامنه موضوع دارای سه مبحث مختلف T1، T2 و T3میباشد. هر یک از این متغیرها یک گره باینری در شبکه های بیزین است که در شکل ۳‑۱۴ نشان داده شده است.
شکل ۳‑۱۴: شبکه بیزین برای موضوع و مباحث آن.
وزن های مباحث a1=20 ، a2=30 و a3=50 قرار داده می شود. پس از آن، احتمال شرطی P (A|T1,T2,T3) با بهره گرفتن از عبارات فوق محاسبه می شود، به عنوان مثال:
رفتار مکانیسم استنتاج بیزین در این مورد به شرح زیر است:
اگر تمام مباحث نمونهها، «مسلط» باشد، است. این به این معنی است که دانش آموز ۱۰۰% از موضوع A می داند.
اگر، برای مثال، گره T1 و T2 نمونههای برای «مسلط» و T3 گره «تسلط ندارد» باشند، است، به این معنی است که تسلط دانش آموز از این موضوع ۵۰% است.
با بهره گرفتن از یک تابع که مفاهیم در یک راه هموار احتمال پاسخ درست و زمانی که هیچ یک از مفاهیم مرتبط مسلط نیست، (که البته آن ۱/n است که n تعداد پاسخهای درست ممکن است) با احتمال دادن پاسخ صحیح به سوال وقتی که آزموندهنده به همه مفاهیم مرتبط مسلط است، حدس زده شود. (۱-s، که در آن s نشاندهنده احتمال لغزش ناخواسته است و به طور معمول یک عدد کوچک میباشد).
شبکه های عصبی
مقدمه
یک شبکه عصبی مصنوعی (ANN) یا همانطور که عموماً گفته می شود شبکه عصبی (NN) یک الگوی پردازش اطلاعات است که توسط شیوهای که سیستمهای عصبی بیولوژیکی، همچون مغزهای انسانها، اطلاعات را پردازش می کنند، الهام گرفته است. شبکه عصبی متشکل از تعداد زیادی از عناصر بین المتصل است که به آنها نرون میگوید که آنها متحدانه برای حل مشکلات خاصی کار می کنند. تشابهات بسیاری بین کار یک مغز و ANN یافت می شود. انسان با آموزش و مثال یاد میگیرد. بهمین نحو، یک ANN نیز برای کاربردی خاص همچون شناخت الگو یا ردهبندی داده، از طریق یک فرایند یادگیری، پیکربندی می شود. هرچه قدر مثال ها بیشتر باشند، همانقدر هم ANN بهتر آموزش یا آموزش داده می شود. نمی توان آن را برنامه ریزی کرد تا کار مخصوصی را انجام دهد. بعلاوه، یادگیری در مغز دربرگیرنده سازگاری با اتصالات سیناپسیای میباشد که بین نورونهای موجود در مغز قرار دارند [۲۳, ۲۴]. این برای یک ANN و همچنین برای جاهایی که وزنها، که مقدارهای عددی همبسته با نرونها هستند، به عنوان فواید آموزش تنظیم میشوند. از این رو، ANN ابزاری کارآمد است که پردازش مغز را تقلید کرده و برای ردهبندی، تقریب تابع، رگرسیون، و تخمین و غیره، استفاده می شود. ثابت شده که در مقایسه با دیگر ردهبندها، دارای عملکرد بهتری از لحاظ خصوصیات بسیار میباشد.